RECONOCIMIENTO DE PATRONES


Programa del Curso

[ DESCRIPCIÓN ]

El reconocimiento, la descripción, la clasificación y la agrupación de patrones de forma automática, son problemas importantes en una gran variedad de aplicaciones de ingeniería, psicología, medicina, economía, biologías, etc. El problema consiste en asignar automáticamente a una clase una muestra según las mediciones realizadas sobre la muestra. En el curso se estudiará la teoría necesaria para resolver este problema, y se aplicará la teoría en ejemplos prácticos tales como detección automática de tumores, reconocimiento de caracteres, detección de defectos, etc.

 

[ OBJETIVOS ]

1.  Analizar las nociones básicas de extracción de características, selección de características, clasificación y evaluación de desempeño.

2.  Aplicar técnicas basadas en procesamiento de imágenes para la extracción de características geométricas y cromáticas en problemas donde el reconocimiento de patrones se realice a  partir de información visual.

3.  Diseñar y evaluar características a ser extraídas donde la reconocimiento de patrones se realiza a partir de información visual u otro tipo de información.

4.  Evaluar algoritmos eficientes para seleccionar características: Análisis de componentes principales, discriminante de Fisher, búsqueda exhaustiva, búsqueda secuencial, Branch&Bound, entre otros.

5.  Diseñar clasificadores capaces de resolver problemas reales basados en las técnicas de clasificador lineal, árbol binario de decisión, vecino más cercano, Mahalanobis, Bayes, SVM, redes neuronales entre otros.

6.  Aplicar técnicas para establecer y comparar el desempeño de los clasificadores: Validación cruzada, bootstrap, e intervalos de confianza basados en distribuciones estadísticas.

7.  Diseñar un sistema automatico de reconocimiento de patrones capaz de resolver un problema real.

 

Bibliografía

Bishop, C. Pattern Recognition and machine Learning, Springer, 2006.

Bishop, C. Neural Network for Pattern Recognition, New York, Oxford University Press Inc., Reprinted, 2005.

da Fontoura, L.; Marcondes, R. Shape Analysis and Classification, Boca Raton, CRC Press, 2001.

Duda, R.; Hart, P.; Stork, D. Pattern Classification, New York, John Wiley & Sons, Inc., 2001.

Hastie, T.; Tibshirani, R,; Friedman, J.: The Elements of Statistical Learning, Springer, 2001.

Marsland, S.: Machine Learning: An algorithmic Perspective, CRC Press, 2009.

Mery, D.: X-ray Testing for Computer Vision, Springer, 2015.

Nixon, M.; Aguado, A. Feature Extraction & Image Processing, Amsterdam, Elsevier, 2004.

Webb, A. Statistical Pattern Recognition, Wiley, Second Edition, 2002.

Witten, I.H; Frank, E. Data Mining: Practical Machine Learning Tools and Techniques, Elsevier, Second Edition, 2005.

Artículos seleccionados de IEEE Transaction on Pattern Analysis and Machine Intelligence, y de Proceedings of International Conferences on Pattern Recognition and Computer Vision.

Código de Honor e Integridad Académica

Este curso adscribe el Código de Honor establecido por la Escuela de Ingeniería el que es vinculante. Todo trabajo evaluado en este curso debe ser propio. En caso de que exista colaboración permitida con otros estudiantes, el trabajo deberá referenciar y atribuir correctamente dicha contribución a quien corresponda. Como estudiante es su deber conocer la versión en línea del Código de Honor  (http://ing.puc.cl/codigodehonor). Además, los estudiantes de este curso declaran conocer Política de Integridad Académica del Departamento de Ciencia de la Computación.

Evaluación

  • Asistencia debe ser al menos 75%
  • Trabajo en clases 20% (incluye controles sorpresa, guias de trabajo, etc.)
  • 3 tareas 50% (el promedio debe ser mayor o igual a  4.0)
  • Proyecto 30% (la nota ser mayor o igual a  4.0)

Para aprobar el curso se debe obtener más del 75% de asistencia y tener 4.0 o más en el promedio de tareas y 4.0 o más en el proyecto, de lo contrario la nota será el mínimo de ellas.

Tanto el trabajo en clases, como las tareas y el proyecto tienen una alta componente práctica. Los alumnos reciben enunciados con problemas prácticos y basándose en la teoría vista en clase deben escribir programas en Matlab (o en algún lenguaje similar) para resolverlos.